Gemini Omni 1.2 Flash vs InternLumina-U2: Hyrda sekunder mot nedladdade vikter

Ställ Gemini Omni 1.2 Flash bredvid InternLumina-U2, och jämförelsen som sticker ut – bildkvalitet, genereringshastighet, benchmarkpoäng – är den minst intressanta som finns, eftersom de två modellerna inte konkurrerar om samma budgetpost. Gemini Omni 1.2 Flash är ett mätarbaserat API som tar cirka 0,07 dollar per sekund för 720p-video, blev allmänt tillgängligt den 5 november 2026 och returnerar en fil som du har rätt att använda men aldrig vikterna. InternLumina-U2 är en gles diffusionsspråkmodell med 16 miljarder parametrar från Shanghai AI Laboratory, Apache-2.0, sju shards per hårdvaruträd, som ligger på Hugging Face där vem som helst med diskutrymme kan ladda ner den. Den ena är en tjänst. Den andra är en tillgång. Den användbara frågan är inte vilken som genererar bättre bilder; det är vilken av dessa två saker som ditt projekt faktiskt kan absorbera.

Den inramningen spelar roll eftersom den uppenbara frågan – "vilken är bättre på bildgenerering" – har ett missvisande svar. InternLumina-U2 genererar bilder, och i sina egna av leverantören rapporterade benchmarkresultat gör den det konkurrenskraftigt. Men den förstår också video och 3D i samma backbone, vilket är en förmåga som Gemini Omni inte har alls, medan Gemini Omni genererar video med synkroniserat ljud, vilket InternLumina-U2 inte kan. Bedömt utifrån överlappningen är de båda bild- och videonära system. Bedömt utifrån unionen nuddar de knappt vid varandra.

Överlappningen, exakt

InternLumina-U2 hanterar text-QA, text-till-bild-generering, bildförståelse, bildredigering, videoförståelse och 3D-förståelse i en enda modell. Kvalificeraren "förståelse" gör verkligen nytta i den listan: den läser video och läser 3D, men den producerar inget av dem. Det den producerar är bilder och text.

Gemini Omni 1.2 Flash producerar video. Den tar in text, bilder och video och returnerar video med inbyggt ljud, tre till femton sekunder vid 24 bilder per sekund, 360p till 4K där de två högsta nivåerna skalas upp. Den producerar inte bilder som leverabel – varje bildruta är en bildruta i ett klipp – och den utför inte redigering av stillbilder i den bemärkelse en formgivare menar.

Så överlappningen är exakt en sak: att generera en bild från en prompt. InternLumina-U2 gör det som en uppgift bland sex. Gemini Omni 1.2 Flash gör det endast som den första bildrutan i en rörelse. Om det är hela ditt användningsfall är jämförelsen relevant. Om inte väljer du mellan en verktygslåda för stillbildsforskare och en slutpunkt för videoproduktion.

• {{1}}Modalitet in{{/1}} — {{2}}InternLumina-U2{{/2}} tar emot text, bild, video och 3D; {{3}}Gemini Omni 1.2 Flash{{/3}} tar emot text, bild och video.

• Modalitet ut — InternLumina-U2 returnerar text och bilder; Gemini Omni 1.2 Flash returnerar video med synkroniserat ljud.

• Arkitektur — InternLumina-U2 är en MoE-diffusionsspråkmodell med totalt 16B parametrar och cirka 1B aktiva, på LLaDA-2.0-stommen med Apple ATokens diskreta visuella tokens med åtta kodböcker; Gemini Omni 1.2 Flash:s arkitektur är inte offentliggjord.

• Åtkomst — Apache-2.0-vikter på Hugging Face, med separata Ascend- och NVIDIA-träd; ett stängt hostat API.

• Pris — inget pris per anrop, eftersom det inte finns någon hostad slutpunkt; cirka 0,07 USD per sekund för 720p-videoutdata, utan någon gratisnivå.

• Kontext — 131 072 tokens in, 65 536 ut på Omni-sidan; InternLumina-kortet publicerar inte ett motsvarande fönster.

Vad benchmarkarna säger och inte säger

Siffrorna för InternLumina-U2 kommer från dess egen artikel och projektsida (arXiv 2610.20818, inskickad 14 oktober 2026) och ingen har reproducerat dem. Den främsta siffran för generering är en GenEval-poäng på 89,3 enligt författarnas eget PHV-samplingsprotokoll, tillsammans med DPG-Bench 87,79, UniGenBench 86,11 och TIIF-Bench 88,57 på korta prompter och 87,08 på långa. Artikeln hävdar ledande prestanda bland enhetliga modeller inom visuell förståelse, bildgenerering och bildredigering, och säger att modellen slår FLUX.1-dev och ligger strax före Qwen-Image på GenEval, UniGenBench och TIIF samtidigt som den aktiverar ungefär fjorton gånger färre parametrar.

Det finns en diskrepans som är värd att känna till innan du citerar något av det. Projektsidans resultattabell listar InternLumina-U2 på GenEval 0,81, med LLaDA2.0-Uni på 0,89 och InternVL-U på 0,85 – vilket placerar den nyare modellen bakom sin egen föregångare på den raden. Siffran 89,3 motsvarar det optimerade samplingsprotokollet som beskrivs i artikeln, inte standardutvärderingen. Två siffror, två protokoll, samma modell. Artikeln är den mer fördelaktiga tolkningen och projektsidan är den mer konservativa, och ingen av dem har kontrollerats oberoende.

Gemini Omni 1.2 Flash har inga publicerade benchmarkpoäng från Google alls. Lanseringsinlägget den 5 november är helt kvalitativt – längre klipp, bättre referensföljsamhet, mer naturlig dialog, färre hoppklipp – och säger uttryckligen att arbetet fortsätter med ”snabba sportaktioner, snabba manusändringar och komplex fysik”. Det är en ovanligt uppriktig lista över kända svagheter, och det är det enda kvalitetsuttalande Google har gjort. Det förekommer siffror från tredje part, men de beskriver mestadels tidigare Omni-versioner: Megatons jämförelsesida har rubriken ”Gemini Omni Flash” medan dess länkar pekar på förhandsvisningsslugen, anger ljudutdata som ”No” (fel för 1.2, som genererar ljud som standard) och rapporterar noll betygsatta videor och noll mätningar bakom sina poäng. En granskare som testat själv, Segminds Rohit Rao, testade dock 1.2 direkt över tjugo genereringar till en kostnad av $16.17, och hans slutsats är den mest användbara oberoende datapunkt som finns: anropen tog 28 till 136 sekunder, de flesta i intervallet 40 till 90 sekunder, modellen var den mest instruktionsexakta han hade testat, och ungefär en instruktion av fyra hoppades över. Han konstaterade också att det inte är en filmisk fotorealistisk modell för människor.

Den ärliga resultattavlan har InternLumina-U2 med detaljerade, icke reproducerade, internt inkonsistenta leverantörssiffror och Gemini Omni 1.2 Flash med nästan inga siffror alls och ett litet oberoende test. Ingendera utgör grund för en säker kvalitetsbedömning.

Kostnadsjämförelsen som folk missuppfattar

InternLumina-U2 har inget pris, och det är inte samma sak som att vara gratis.

Vikterna är 67,6 GB fördelade över två träd med sju shards, ungefär 33,8 GB vardera, så att ladda ner en hårdvaruvariant är en nedladdning på 34 GB innan du har en fungerande miljö. Repositoriet kräver FlashAttention för AToken-vägen och, för 3D-pipelinen, Blender 4.5. Träningen kördes på 1 024 Ascend 910B NPU:er över 1,05 biljoner tokens, vilket säger att modellen byggdes för ett kluster även om inferensen är mycket lättare – 1B aktiva parametrar är en måttlig betjäningslast, och artikelns PHV-samplingsstrategi hävdar en 4,45× minskning av end-to-end-fördröjningen vid native 1024×1024.

Det du faktiskt spenderar är en GPU, en ingenjörsvecka för att få miljön rätt och vad dina kostnader för lagring och utgående trafik än blir. Det du får är obegränsad generering till noll marginalkostnad, en modell som du kan finjustera och ingen leverantör som kan avveckla slutpunkten under dig.

Omnis kostnad går att avläsa på öret. En 720p-klippa på femton sekunder kostar cirka 1,05 USD i utdatatokens. Ett 360p-utkast kostar cirka 0,35 USD. En 4K-uppskalning av de femton sekunderna kostar cirka 3,14 USD. Du betalar per utdatasekund, du betalar igen vid varje nytt försök, och samtalsbaserad redigering gör att nya försök är det normala arbetsflödet snarare än undantaget. En reklamfilm med tio tagningar och tre redigeringar per tagning är inte ett jobb för femton dollar; det ligger närmare sextio.

De två kostnadsstrukturerna är inte konverterbara. Att jämföra "gratis efter kapitalkostnad" med "sju cent per sekund" ger en siffra som helt beror på utnyttjandegraden, och vid låg volym är den egenhostade modellen dramatiskt dyrare per bild. Vid hög volym är den dramatiskt billigare. Brytpunkten är en räkneoperation du måste göra med ditt eget GPU-pris, inte ett faktum som någon kan ge dig.

Det du inte kan få från någon av dem

Om du behöver ett talking-head-klipp med läppsynkroniserad dialog kan InternLumina-U2 inte hjälpa till, och det finns ingen lösning förutom en separat videogenerator. Om du behöver en pipeline för förståelse av 3D-tillgångar – att läsa ett mesh eller en scenbeskrivning tillsammans med bilder – kan Gemini Omni 1.2 Flash inte hjälpa till, och det finns ingen lösning förutom en separat visionsmodell.

Det finns också en skillnad i formalia som spelar större roll än det låter. InternLumina-U2 är Apache-2.0, vilket innebär kommersiell användning, modifiering och vidaredistribution med attribuering, och licenstexten finns i repositoriet. Gemini Omni 1.2 Flash är en hostad tjänst vars villkor styr vad du får göra med utdata, varje klipp bär en SynthID-vattenstämpel vare sig du vill eller inte, och redigering eller förlängning av uppladdade videor är inte tillgänglig i EEA, Schweiz och Storbritannien. För ett team i London som bygger en produkt ovanpå konversationsbaserad videoredigering är den regionala begränsningen diskvalificerande på ett sätt som ingen benchmarkjämförelse skulle synliggöra.

Var OrcaRouter står, ärligt talat

Ingen av modellerna finns i vår katalog. google/gemini-omni-1.2-flash returnerar 404 på OrcaRouters modellsidor, och InternLumina-U2 har ingen värdbaserad slutpunkt någonstans – det står uttryckligen på dess kort, och endast ett community-Space använder den. Så inget anrop till vårt API når någon av dem, och den här texten vill hellre säga det än antyda en värd som vi inte har.

Det gatewayen täcker är det lager som båda arbetsbelastningarna ligger inom. En självhostad InternLumina-U2-pipeline behöver fortfarande en textmodell för att skriva promptarna, poängsätta utdata och dirigera fel, och det är ett anrop vi tillhandahåller över mer än 200 modeller med en enda nyckel och automatiskt failover. På Omni-sidan, eftersom OrcaRouter för vidare leverantörens listpris med 0 % påslag, landar en prissänkning från Google på vår sida samma dag i stället för vid nästa faktureringscykel – och Omni-linjen har redan ändrat sitt videopris en gång i år, från 17,50 USD till 12,00 USD per miljon utdatatoken. Om du jämför en självhostad lösning med en hyrd, är den hyrda sidan som rör sig under dig precis den variabel som en vidarefakturerad faktura synliggör.

Hur man bestämmer

Bygg på InternLumina-U2 om du behöver bilder, om du behöver 3D- eller videoförståelse i samma modell, om du har GPU-kapacitet som du redan betalar för och om licensvillkoren spelar roll för din produkt. Acceptera att du kör en forskningsartefakt: benchmarkarna är författarnas egna, GenEval-tabellen säger emot sig själv och verktygen förväntar sig en specifik stack.

Köp Gemini Omni 1.2 Flash om du behöver rörelse med ljud, vill ha en fungerande endpoint idag och din volym är tillräckligt låg för att fakturering per sekund ska bli billigare än ett inaktivt GPU. Acceptera att du inte har några kvalitetsriktmärken, inget läge för textutdata, inga negativa prompter, en regional begränsning för redigeringsfunktionerna och en vattenstämpel på varje bildruta.

Misstaget man bör undvika är att behandla detta som en utslagstävling. Det är ett upphandlingsbeslut mellan en nedladdning och en mätare, och frågan om modellkvalitet — den som båda leverantörerna vill att man ska tvista om — är den där det finns minst belägg på båda sidor.